~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to bzrlib/statcache.py

  • Committer: Martin Pool
  • Date: 2005-05-03 08:00:27 UTC
  • Revision ID: mbp@sourcefrog.net-20050503080027-908edb5b39982198
doc

Show diffs side-by-side

added added

removed removed

Lines of Context:
1
 
# (C) 2005 Canonical Ltd
2
 
 
3
 
# This program is free software; you can redistribute it and/or modify
4
 
# it under the terms of the GNU General Public License as published by
5
 
# the Free Software Foundation; either version 2 of the License, or
6
 
# (at your option) any later version.
7
 
 
8
 
# This program is distributed in the hope that it will be useful,
9
 
# but WITHOUT ANY WARRANTY; without even the implied warranty of
10
 
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
11
 
# GNU General Public License for more details.
12
 
 
13
 
# You should have received a copy of the GNU General Public License
14
 
# along with this program; if not, write to the Free Software
15
 
# Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307  USA
16
 
 
17
 
import stat, os, sha, time
18
 
from binascii import b2a_qp, a2b_qp
19
 
 
20
 
from trace import mutter
21
 
from errors import BzrError, BzrCheckError
22
 
 
23
 
 
24
 
"""File stat cache to speed up tree comparisons.
25
 
 
26
 
This module basically gives a quick way to find the SHA-1 and related
27
 
information of a file in the working directory, without actually
28
 
reading and hashing the whole file.
29
 
 
30
 
 
31
 
 
32
 
Implementation
33
 
==============
34
 
 
35
 
Users of this module should not need to know about how this is
36
 
implemented, and in particular should not depend on the particular
37
 
data which is stored or its format.
38
 
 
39
 
This is done by maintaining a cache indexed by a file fingerprint of
40
 
(path, size, mtime, ctime, ino, dev) pointing to the SHA-1.  If the
41
 
fingerprint has changed, we assume the file content has not changed
42
 
either and the SHA-1 is therefore the same.
43
 
 
44
 
If any of the fingerprint fields have changed then the file content
45
 
*may* have changed, or it may not have.  We need to reread the file
46
 
contents to make sure, but this is not visible to the user or
47
 
higher-level code (except as a delay of course).
48
 
 
49
 
The mtime and ctime are stored with nanosecond fields, but not all
50
 
filesystems give this level of precision.  There is therefore a
51
 
possible race: the file might be modified twice within a second
52
 
without changing the size or mtime, and a SHA-1 cached from the first
53
 
version would be wrong.  We handle this by not recording a cached hash
54
 
for any files which were modified in the current second and that
55
 
therefore have the chance to change again before the second is up.
56
 
 
57
 
The only known hole in this design is if the system clock jumps
58
 
backwards crossing invocations of bzr.  Please don't do that; use ntp
59
 
to gradually adjust your clock or don't use bzr over the step.
60
 
 
61
 
At the moment this is stored in a simple textfile; it might be nice
62
 
to use a tdb instead.
63
 
 
64
 
The cache is represented as a map from file_id to a tuple of (file_id,
65
 
sha1, path, size, mtime, ctime, ino, dev).
66
 
 
67
 
The SHA-1 is stored in memory as a hexdigest.
68
 
 
69
 
File names and file-ids are written out as the quoted-printable
70
 
encoding of their UTF-8 representation.  (file-ids shouldn't contain
71
 
wierd characters, but it might happen.)
72
 
"""
73
 
 
74
 
# order of fields returned by fingerprint()
75
 
FP_SIZE  = 0
76
 
FP_MTIME = 1
77
 
FP_CTIME = 2
78
 
FP_INO   = 3
79
 
FP_DEV   = 4
80
 
 
81
 
# order of fields in the statcache file and in the in-memory map
82
 
SC_FILE_ID = 0
83
 
SC_SHA1    = 1
84
 
SC_PATH    = 2
85
 
SC_SIZE    = 3
86
 
SC_MTIME   = 4
87
 
SC_CTIME   = 5
88
 
SC_INO     = 6
89
 
SC_DEV     = 7
90
 
 
91
 
 
92
 
 
93
 
CACHE_HEADER = "### bzr statcache v2"
94
 
 
95
 
 
96
 
def fingerprint(abspath):
97
 
    try:
98
 
        fs = os.lstat(abspath)
99
 
    except OSError:
100
 
        # might be missing, etc
101
 
        return None
102
 
 
103
 
    if stat.S_ISDIR(fs.st_mode):
104
 
        return None
105
 
 
106
 
    return (fs.st_size, fs.st_mtime,
107
 
            fs.st_ctime, fs.st_ino, fs.st_dev)
108
 
 
109
 
 
110
 
def _write_cache(basedir, entry_iter, dangerfiles):
111
 
    from atomicfile import AtomicFile
112
 
 
113
 
    cachefn = os.path.join(basedir, '.bzr', 'stat-cache')
114
 
    outf = AtomicFile(cachefn, 'wb')
115
 
    outf.write(CACHE_HEADER + '\n')
116
 
    try:
117
 
        for entry in entry_iter:
118
 
            if len(entry) != 8:
119
 
                raise ValueError("invalid statcache entry tuple %r" % entry)
120
 
            
121
 
            if entry[SC_FILE_ID] in dangerfiles:
122
 
                continue                # changed too recently
123
 
            outf.write(b2a_qp(entry[0].encode('utf-8'))) # file id
124
 
            outf.write(' ')
125
 
            outf.write(entry[1])        # hex sha1
126
 
            outf.write(' ')
127
 
            outf.write(b2a_qp(entry[2].encode('utf-8'), True)) # name
128
 
            for nf in entry[3:]:
129
 
                outf.write(' %d' % nf)
130
 
            outf.write('\n')
131
 
 
132
 
        outf.commit()
133
 
    finally:
134
 
        if not outf.closed:
135
 
            outf.abort()
136
 
        
137
 
        
138
 
def load_cache(basedir):
139
 
    import re
140
 
    cache = {}
141
 
    seen_paths = {}
142
 
 
143
 
    sha_re = re.compile(r'[a-f0-9]{40}')
144
 
 
145
 
    try:
146
 
        cachefn = os.path.join(basedir, '.bzr', 'stat-cache')
147
 
        cachefile = open(cachefn, 'rb')
148
 
    except IOError:
149
 
        return cache
150
 
 
151
 
    line1 = cachefile.readline().rstrip('\r\n')
152
 
    if line1 != CACHE_HEADER:
153
 
        mutter('cache header marker not found at top of %s' % cachefn)
154
 
        return cache
155
 
 
156
 
    for l in cachefile:
157
 
        f = l.split(' ')
158
 
 
159
 
        file_id = a2b_qp(f[0]).decode('utf-8')
160
 
        if file_id in cache:
161
 
            raise BzrCheckError("duplicated file_id in cache: {%s}" % file_id)
162
 
 
163
 
        text_sha = f[1]
164
 
        if len(text_sha) != 40 or not sha_re.match(text_sha):
165
 
            raise BzrCheckError("invalid file SHA-1 in cache: %r" % text_sha)
166
 
        
167
 
        path = a2b_qp(f[2]).decode('utf-8')
168
 
        if path in seen_paths:
169
 
            raise BzrCheckError("duplicated path in cache: %r" % path)
170
 
        seen_paths[path] = True
171
 
        
172
 
        entry = (file_id, text_sha, path) + tuple([long(x) for x in f[3:]])
173
 
        if len(entry) != 8:
174
 
            raise ValueError("invalid statcache entry tuple %r" % entry)
175
 
 
176
 
        cache[file_id] = entry
177
 
    return cache
178
 
 
179
 
 
180
 
 
181
 
 
182
 
def _files_from_inventory(inv):
183
 
    for path, ie in inv.iter_entries():
184
 
        if ie.kind != 'file':
185
 
            continue
186
 
        yield ie.file_id, path
187
 
    
188
 
 
189
 
 
190
 
def update_cache(basedir, inv, flush=False):
191
 
    """Update and return the cache for the branch.
192
 
 
193
 
    The returned cache may contain entries that have not been written
194
 
    to disk for files recently touched.
195
 
 
196
 
    flush -- discard any previous cache and recalculate from scratch.
197
 
    """
198
 
 
199
 
    
200
 
    # TODO: It's supposed to be faster to stat the files in order by inum.
201
 
    # We don't directly know the inum of the files of course but we do
202
 
    # know where they were last sighted, so we can sort by that.
203
 
 
204
 
    assert isinstance(flush, bool)
205
 
    if flush:
206
 
        cache = {}
207
 
    else:
208
 
        cache = load_cache(basedir)
209
 
    return _update_cache_from_list(basedir, cache, _files_from_inventory(inv))
210
 
 
211
 
 
212
 
 
213
 
def _update_cache_from_list(basedir, cache, to_update):
214
 
    """Update and return the cache for given files.
215
 
 
216
 
    cache -- Previously cached values to be validated.
217
 
 
218
 
    to_update -- Sequence of (file_id, path) pairs to check.
219
 
    """
220
 
    stat_cnt = missing_cnt = hardcheck = change_cnt = 0
221
 
 
222
 
    # dangerfiles have been recently touched and can't be
223
 
    # committed to a persistent cache yet.
224
 
    dangerfiles = {}
225
 
    
226
 
    now = int(time.time())
227
 
 
228
 
    ## mutter('update statcache under %r' % basedir)
229
 
    for file_id, path in to_update:
230
 
        abspath = os.path.join(basedir, path)
231
 
        fp = fingerprint(abspath)
232
 
        stat_cnt += 1
233
 
        
234
 
        cacheentry = cache.get(file_id)
235
 
 
236
 
        if fp == None: # not here
237
 
            if cacheentry:
238
 
                del cache[file_id]
239
 
                change_cnt += 1
240
 
            missing_cnt += 1
241
 
            continue
242
 
 
243
 
        if (fp[FP_MTIME] >= now) or (fp[FP_CTIME] >= now):
244
 
            dangerfiles[file_id] = True
245
 
 
246
 
        if cacheentry and (cacheentry[3:] == fp):
247
 
            continue                    # all stat fields unchanged
248
 
 
249
 
        hardcheck += 1
250
 
 
251
 
        dig = sha.new(file(abspath, 'rb').read()).hexdigest()
252
 
 
253
 
        # We update the cache even if the digest has not changed from
254
 
        # last time we looked, so that the fingerprint fields will
255
 
        # match in future.
256
 
        cacheentry = (file_id, dig, path) + fp
257
 
        cache[file_id] = cacheentry
258
 
        change_cnt += 1
259
 
 
260
 
    mutter('statcache: statted %d files, read %d files, %d changed, %d dangerous, '
261
 
           '%d in cache'
262
 
           % (stat_cnt, hardcheck, change_cnt, len(dangerfiles), len(cache)))
263
 
        
264
 
    if change_cnt:
265
 
        mutter('updating on-disk statcache')
266
 
        _write_cache(basedir, cache.itervalues(), dangerfiles)
267
 
 
268
 
    return cache